Agosto 2026
Alibaba pubblica Qwen3.8‑Max: MoE da 2,4T parametri, 1M token di contesto e pesi open in arrivo
Alibaba rende disponibile Qwen3.8‑Max, modello Mixture‑of‑Experts da 2,4 trilioni di parametri con contesto fino a 1M token, input multimodale e prezzi pubblicati; i pesi open vengono promessi per la settimana successiva.
Un messaggio breve, un collegamento sospetto e una presunta violazione del Codice della strada. È la nuova esca utilizzata per sottrarre dati personali e informazioni di pagamento.
«Dai dati della targa risulta una violazione del codice della strada. Consulta i dettagli disponibili». Il messaggio può sembrare credibile, soprattutto per chi utilizza frequentemente l’automobile o teme di essere stato ripreso da un autovelox. Subito dopo, però, compare un collegamento verso un dominio come: notiffichedtl[.]cfd/IT Non si tratta di una comunicazione istituzionale attendibile. Tutti […]
NVIDIA pubblica Molt: framework PyTorch-native per agentic reinforcement learning compatto e componibile
Molt è un framework agentic RL open source (Apache‑2.0) progettato per essere snello e componibile: codice ridotto, integrazione con Ray, vLLM e NVIDIA AutoModel, e un loop token‑exact pensato per sperimentazione rapida in laboratori con accesso multi‑GPU.
DeepSeek pubblica DeepSeek‑V4‑Flash‑0731: guadagni agentici, DSpark e costi di output inferiori
DeepSeek ha rilasciato il checkpoint DeepSeek‑V4‑Flash‑0731 e ha avviato la beta pubblica dell’API V4‑Flash: il modello include il modulo DSpark per speculative decoding, mostra miglioramenti agentici rispetto alla preview e offre un costo di output significativamente più basso rispetto a V4‑Pro.
Nous Research integra Hermes Agent con Buzz: tre percorsi di integrazione per workspace Nostr
Nous Research ha rilasciato il supporto di Hermes Agent per Buzz di Block, offrendo tre modalità di integrazione (Desktop, relay bridge, gateway) che facilitano l'uso di agenti con identità proprie in ambienti Nostr self-hosted.
Quando l'allineamento rifiuta risposte: capire il ruolo del RLHF
Il reinforcement learning da preferenze umane (RLHF) può spingere i modelli a rifiutare richieste ambigue o potenzialmente rischiose anche quando l'intento è innocuo. Questo articolo spiega perché accade, come riconoscerlo e quali passi pratici provare.
Prompt, loop e graph engineering: tre livelli di controllo nell’ingegneria degli agenti
Un articolo tecnico distingue prompt, loop e graph engineering come tre unità di controllo sovrapposte: quando ciascun livello è necessario, quali costi operativi comporta e quali problemi progettuali impone agli ingegneri AI.